JURNAL TEKNIK INFORMATIKA UNIS

Pemanfaatan Large Language Models dalam Pembelajaran Adaptif Berbasis pendekatan Permainan dan Implementasi

2025-12-12T16:07:12+07:00

Sistem pembelajaran adaptif cenderung statis, lambat merespons, dan belum mampu mengelola interaksi kompleks yang diperlukan untuk pembelajaran personal. Saat ini pembelajaran digital telah berkembang pesat, sebagian besar platform masih memberikan materi yang bersifat umum dan belum sepenuhnya menyesuaikan kebutuhan para siswa. Pembelajaran adaptif berbasis permainan (game-based adaptive learning) merupakan metode inovatif yang menggabungkan elemen permainan untuk meningkatkan motivasi dan keterlibatan peserta didik dalam proses belajar. Dengan kemajuan teknologi kecerdasan buatan, Large Language Models (LLM) menawarkan kemampuan pemahaman bahasa alami yang mendalam untuk menciptakan pengalaman belajar yang personal dan responsif. Penelitian ini bertujuan merancang dan mengevaluasi integrasi LLM ke dalam sistem pembelajaran adaptif berbasis permainan untuk menciptakan pengalaman belajar yang lebih personal, responsif, dan dinamis. Penelitian juga berupaya mengembangkan framework implementasi yang dapat diterapkan pada berbagai skenario pembelajaran digital. Metode yang digunakan adalah Design-Based Research (DBR) yang meliputi analisis masalah, desain model adaptif berbasis LLM, implementasi prototipe, dan evaluasi iteratif terhadap efektivitas sistem. Evaluasi dilakukan melalui pengukuran personalisasi, interaktivitas, keterlibatan siswa, retensi pengetahuan, adaptivitas sistem, dan kepuasan pengguna

Manajemen Identitas Dan Akses : Sebuah Analisis Mendalam Tentang Autentikasi, Otorisasi, Dan Manajemen Hidup Identitas

2024-12-14T17:29:40+07:00

Manajemen identitas dan akses merupakan aspek krusial dalam keamanan informasi yang melibatkan proses autentikasi, otorisasi, dan pengelolaan identitas pengguna. Jurnal ini menganalisis berbagai metode ensiti akses, termasuk ensiti akses berbasis peran (RBAC) dan ensiti akses berbasis atribut (PBAC), yang digunakan untuk menentukan hak akses pengguna dalam sistem. Proses autentikasi, termasuk penerapan autentikasi dua ensit (2FA), diuraikan sebagai ensiti penting untuk memastikan keaslian identitas pengguna sebelum akses diberikan. Selain itu, jurnal ini menekankan pentingnya pemantauan dan audit berkala terhadap aktivitas pengguna untuk mendeteksi potensi penyalahgunaan. Dengan pendekatan yang sistematis terhadap manajemen identitas dan akses, organisasi dapat meningkatkan keamanan data dan melindungi informasi ensitive dari ancaman yang mungkin terjadi. Penelitian ini memberikan wawasan mendalam tentang praktik terbaik dalam manajemen identitas dan akses, serta tantangan yang dihadapi dalam implementasinya.

Penerapan Algoritma K-Nearest Neighbors (K-NN) untuk Prediksi Status Gizi Balita dengan Penyeimbangan Kelas Menggunakan SMOTE, SMOTEENN, dan SMOTETomek

2024-12-26T18:55:09+07:00

Ketidakseimbangan data (imbalanced data) merupakan salah satu permasalahan utama dalam machine learning yang dapat menyebabkan bias terhadap kelas mayoritas, sehingga mengurangi akurasi prediksi pada kelas minoritas. Penelitian ini bertujuan untuk mengatasi ketidakseimbangan data dalam prediksi status gizi balita dengan menggunakan algoritma K-Nearest Neighbors (K-NN) dan teknik 7986penyeimbangan kelas, yaitu SMOTE, SMOTEENN, dan SMOTETomek. Dataset yang digunakan merupakan data status gizi balita dari Puskesmas Legok, yang terdiri atas 3.555 data dengan parameter usia, berat badan, tinggi badan, dan status gizi. Proses penelitian meliputi tahapan pengumpulan data, preprocessing, penerapan teknik penyeimbangan kelas, serta evaluasi kinerja model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa teknik SMOTE, SMOTEENN, dan SMOTETomek berhasil meningkatkan kinerja model secara signifikan. Teknik SMOTEENN dan SMOTETomek memberikan akurasi tertinggi sebesar 99%, dengan distribusi prediksi yang lebih seimbang pada setiap kelas. Hal ini membuktikan bahwa penerapan teknik penyeimbangan kelas mampu mengatasi bias terhadap kelas mayoritas dan meningkatkan kemampuan model dalam memprediksi kelas minoritas. Penelitian ini menunjukkan bahwa kombinasi algoritma K-NN dan teknik penyeimbangan kelas dapat menjadi solusi efektif dalam menangani ketidakseimbangan data. Implementasi hasil penelitian ini diharapkan dapat membantu dalam proses pengambilan keputusan yang lebih baik dalam pemantauan status gizi balita.

Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K- Means Clustering Di RSUD Muhammadiyah Bantul

2025-01-11T17:15:08+07:00

Pengelolaan data rekam medis merupakan salah satu aspek penting dalam mendukung efisiensi operasional rumah sakit. Data ini menyimpan informasi strategis yang dapat dianalisis menggunakan teknik data mining untuk mengungkap pola dan struktur tersembunyi. Penelitian ini menggunakan metode K-Means Clustering untuk mengelompokkan pasien berdasarkan karakteristik tertentu dan mengidentifikasi pola penyakit yang dominan. Data penelitian diambil dari pasien rawat inap RSUD Muhammadiyah Bantul pada periode Oktober hingga Desember 2023, dengan total 871 pasien. Variabel yang dianalisis meliputi jenis kelamin, usia, alamat, diagnosis, durasi rawat inap, dan metode pembayaran. Hasil klasterisasi menghasilkan empat kelompok utama: Cluster 1 dengan 116 pasien (13%), Cluster 2 dengan 136 pasien (16%), Cluster 3 dengan 498 pasien (57%), dan Cluster 4 dengan 121 pasien (14%). Setiap klaster menggambarkan pola prevalensi penyakit tertentu, seperti demam, diabetes, dan penyakit sistemik lainnya. Penelitian ini diharapkan menjadi dasar untuk menyusun strategi peningkatan pelayanan kesehatan yang lebih efisien dan berbasis data di RSUD Muhammadiyah Bantul

Klasterisasi Data Penjualan Barang Menggunakan Algoritma K-Medoids Untuk Mengoptimalkan Penjualan Sepatu

2025-01-11T18:33:36+07:00

Persediaan barang menumpuk karena kesulitan manajemen mengambil kebijakan untuk menyuplai barang. Penumpukkan barang menyebabkan harga barang turun. Oleh karena itu, teknik yang diperlukan untuk melakukan analisis penjualan barang yang berguna untuk menyelesaikan masalah saat ini. Analisis penjualan barang adalah tujuan dari penelitian ini. Algoritma K-Medoids akan mengelompokkan data penjualan untuk membantu teknik analisis menganalisis penjualan barang. Analisis variabel yang dilakukan membagi kelompokan data menjadi dua: barang yang laris dan barang yang tidak laris. Penelitian ini menggunakan 30 sampel data penjualan barang. Hasilnya menawarkan informasi tentang barang yang laris dan barang yang tidak laris, yang membantu menyelesaikan masalah dengan ketersediaan stok barang.

Pemilihan Jurusan Dengan Menggunakan Metode Fuzzy Analytical Hierarchy Process (FAHP): Studi Kasus SMKN 10 Kabupaten Tangerang

2026-01-12T20:24:03+07:00

Pemilihan jurusan pada awal pendaftaran peserta didik baru Sekolah Menengah Kejuruan menjadi hal yang harus diperhatikan, dikarenakan dalam pemilihan jurusan tersebut menentukan jurusan yang akan peserta didik tempuh dalam pendidikannya selama tiga tahun pada sekolah tersebut. Dalam penelitian ini masalah yang akan dibahas yaitu pemilihan jurusan yang sering tidak sesuai dengan bakat, kemampuan, dan minat peserta didik. SMKN 10 Kabupaten Tangerang merupakan SMK Penerbangan Negeri pertama yang ada di Kabupaten Tangerang yang terdiri dari beberapa jurusan, yaitu Multimedia, Administrasi Perkantoran dan Teknik Pesawat Terbang. Penelitian ini menggunakan Metode Fuzzy Analytical Hierarchy Processing (F-AHP) dengan nilai Fuzzy Synthetic Extent untuk nilai sintesis perbandingan berpasangan pada F-AHP. Penelitian ini menghasilkan bobot pada setiap alternatif yang menjadi perangkingan untuk memberikan rekomendasi kepada peserta didik dalam memilih jurusan yang sesuai dengan bakat, kemampuan dan minatnya. Dengan adanya sistem pendukung keputusan ini dapat kita ketahui bahwa pemilihan jurusan yang tidak sesuai dengan bakat, kemampuan dan minat peserta didik pada SMKN 10 Kabupaten Tangerang ini prosentasenya cukup besar yakni 67,70% dari data peserta didik tahun ajaran 2017/2018. Keputusan seperti ini yang harus diperbaiki kedepannya, untuk mengurangi jumlah prosentase peserta didik yang tidak sesuai mendapatkan jurusan tiap tahunnya, dan dapat membantu pihak sekolah maupun peserta didik untuk menjadi rekomendasi dalam penerimaan peserta didik baru.

Deteksi Anomali dan Serangan pada Jaringan Blockchain Menggunakan Machine Learning di MATLAB

2025-10-20T08:47:03+07:00

Jaringan blockchain, yang mendasari cryptocurrency serta aplikasi terdesentralisasi, sangat
rentan terhadap berbagai jenis anomali dan serangan, termasuk serangan 51%, serangan
sybil, dan aktivitas bot yang manipulatif. Insiden-insiden ini dapat merusak integritas data,
mengganggu konsensus, dan menyebabkan kerugian finansial yang besar (Werbach, 2018).
Oleh karena itu, deteksi dini perilaku anomali dalam jaringan blockchain sangat krusial
(Ahmed dkk., 2016). Penelitian ini mengusulkan sebuah proses pengidentifikasian anomali dan
potensi serangan dalam jaringan blockchain dengan memanfaatkan algoritma machine
learning (ML) yang dikembangkan menggunakan MATLAB. Pendekatan ini mencakup
pengumpulan data on-chain dan metrik jaringan dari API penjelajah blockchain publik, seperti
CoinGecko (CoinGecko API Documentation), diikuti oleh pra-pemrosesan dan ekstraksi fitur
untuk menghasilkan indikator relevan terkait perilaku penambang, seperti harga Bitcoin dan
volume perdagangan. Penelitian ini menggunakan algoritma unsupervised machine learning,
yaitu isolation forest dan One-Class SVM, dengan memanfaatkan MATLAB Statistics and
Machine Learning Toolbox. Hasilnya divisualisasikan melalui fasilitas plot MATLAB, yang
akan menunjukkan anomali yang terdeteksi dan kemudian membandingkan kinerja dari kedua
algoritma tersebut. Dari hasil simulasi yang dilakukan isolation forest berhasil mendeteksi
lonjakan signifikan dalam harga dan volume sebagai anomali, sementara One-Class SVM,
pada pengaturan yang digunakan, tidak dapat secara visual mengidentifikasi anomali dalam
dataset yang digunakan, hal ini mengindikasikan perlunya penyesuaian kembali model dan
parameter yang digunakan. Penelitian ini membuktikan bahwa MATLAB dapat digunakan
sebagai alat yang sangat efektif untuk analisis data blockchain, dan memungkinkan estimasi
awal terhadap terjadinya ancaman keamanan dan kesehatan pada jaringan secara
keseluruhan.

Beyond Detection: Implementasi Vision Transformer pada Mobile Platform sebagai Instrumen Penguatan Computational Thinking di Sektor Agrikultur

2025-12-10T11:05:27+07:00

Padi merupakan komoditas pangan utama yang produktivitasnya sering terancam oleh serangan penyakit daun. Identifikasi penyakit secara manual oleh petani seringkali tidak efisien dan rentan terhadap kesalahan diagnosis subjektif. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun padi berbasis Computer Vision menggunakan arsitektur Vision Transformer (ViT) yang diintegrasikan ke dalam aplikasi mobile berbasis Flutter. Pendekatan penelitian menggunakan desain kuasi-eksperimental dengan membandingkan tiga versi model yang dilatih melalui platform Roboflow berdasarkan variasi resolusi citra dan teknik augmentasi data. Dataset terdiri dari 11.739 citra awal yang dikembangkan menjadi lebih dari 28.000 citra melalui augmentasi. Hasil eksperimen menunjukkan karakteristik kinerja yang berbeda pada setiap versi: Versi 1 (Baseline/640px) mencapai akurasi 98,3% namun terindikasi overfitting; Versi 2 (Efisiensi Tinggi/160px) mencatat akurasi validasi tertinggi sebesar 99,4% namun mengalami penurunan detail fitur visual; sedangkan Versi 3 (Augmented-Enhanced/224px) dengan akurasi 99,1% terbukti memiliki ketahanan (robustness) terbaik terhadap gangguan visual seperti blur dan variasi pencahayaan. Berdasarkan evaluasi lapangan, Model Versi 3 dipilih untuk diimplementasikan pada aplikasi karena kemampuannya beradaptasi dengan kondisi nyata di lahan pertanian. Sistem yang dibangun mampu mengklasifikasikan sembilan jenis penyakit daun padi secara real-time, memberikan solusi diagnosis yang cepat dan akurat bagi para petani.

Evaluasi Prediksi Harga Saham Nokia Menggunakan LSTM Univariat dengan Pendekatan Walk-Forward Validation

2025-11-16T14:31:35+07:00

Prediksi harga saham merupakan tantangan sentral di pasar modal yang kompleks dan volatil.
Meskipun model pembelajaran mendalam seperti Long Short-Term Memory (LSTM) telah
menunjukkan potensi, banyak penelitian mengabaikan masalah multikolinearitas pada model
multivariat dan menggunakan metode evaluasi yang tidak realistis. Untuk mengatasi ini,
penelitian ini mengembangkan model prediksi harga saham Nokia menggunakan arsitektur
LSTM univariat yang hanya memanfaatkan harga penutupan, sebuah keputusan yang
didasarkan pada bukti empiris multikolinearitas tinggi antar fitur harga. Kinerja model
dievaluasi secara ketat menggunakan Walk-Forward Validation (WFV) untuk mensimulasikan
kondisi perdagangan nyata dan menghindari bias evaluasi. Hasilnya menunjukkan performa
yang sangat baik dan stabil, dengan model mampu menjelaskan 94.46% varians data (R² =
0.9446) dan mencapai Mean Absolute Percentage Error (MAPE) sebesar 2.75%. Konsistensi
ini terbukti melalui 30 iterasi WFV, yang mengonfirmasi ketahanan model di berbagai kondisi
pasar. Penelitian ini menyimpulkan bahwa pendekatan model LSTM univariat yang dievaluasi
dengan WFV terbukti efektif dan andal, bahkan dapat menjadi pilihan superior dibandingkan
model yang lebih kompleks. Temuan ini menegaskan bahwa relevansi fitur dan standar
evaluasi yang ketat lebih krusial daripada kompleksitas arsitektur, memberikan kontribusi
metodologis penting bagi pengembangan model prediksi finansial yang andal di masa depan.

Strategi Keamanan Data di Era Transformasi Digital: Tantangan Cloud Computing, Internet of Things, dan Blockchain

2024-12-14T15:07:42+07:00

Melalui penggunaan teknologi seperti blockchain, cloud computing, dan Internet of Things
(IoT), transformasi digital telah sepenuhnya mengubah cara data dikelola, diakses, dan
disimpan. Teknologi ini memberikan kemudahan dan efisiensi, tetapi juga menimbulkan risiko
keamanan data yang signifikan. Meskipun cloud computing memfasilitasi penyimpanan dan
akses data, ada risiko yang mungkin saja terjadi, termasuk potensi serangan siber, dan
hilangnya kendali atas data. Dengan jaringan perangkat yang terhubung, Internet of Things
rentan terhadap risiko eksploitasi perangkat, akses ilegal, dan serangan fisik dan digital yang
dapat membahayakan data pengguna. Blockchain menyediakan solusi keamanan berbasis
kriptografi terdesentralisasi yang dapat menjaga transparansi transaksi dan integritas data,
tetapi masih rentan terhadap masalah serangan sampai 51%. Terlepas dari keamanan
teknologi.. Untuk mengatasi risiko yang dapat mengancam keamanan data, dengan
menggunakan metodologi deskriptif studi ini membahas sejumlah teknik mitigasi, termasuk
kontrol akses yang ketat, enkripsi data, pemantauan infrastruktur, dan penerapan teknologi
blockchain. Individu dan organisasi dapat melindungi data dari penyalahgunaan dan
mendorong pengelolaan yang bertanggung jawab dengan menerapkan langkah-langkah
tersebut dan memiliki pemahaman yang menyeluruh tentang bahayanya. keberlanjutan
Teknologi digital yang aman bergantung pada strategi terintegrasi yang menggabungkan
edukasi pengguna, implementasi kebijakan privasi, dan penguatan teknologi. Studi ini
menyoroti betapa pentingnya inovasi dalam keamanan dan kepatuhan untuk mengatasi
masalah-masalah di dunia digital yang semakin rentan keamanannya.